Je suis un data scientist ordinaire. Et je vis bien depuis 10 ans

• Je sais qu’il existe des data scientists vraiment brillants, titulaires d’un doctorat, travaillant chez les FAANG et parfaitement à l’aise avec les technologies de pointe. Mais je ne fais pas partie de cette catégorie
• J’ai travaillé dans des entreprises de taille petite à moyenne utilisant des technologies anciennes, dans des sociétés où j’occupais seul le rôle d’analyste/scientifique, et dans des entreprises dont la plupart des gens n’ont probablement jamais entendu parler
  • Je ne fais rien d’extraordinaire, je ne me considère ni intelligent ni exceptionnel, et je pense que je ne réussirais pas les entretiens actuels des FAANG
• Malgré cela, j’ai vécu de belles expériences comme data scientist et j’ai produit un impact concret dans les entreprises avec lesquelles j’ai travaillé
  • Même aujourd’hui, quand je passe des entretiens, je n’ai pas beaucoup de mal à recevoir des offres, même si c’est devenu bien plus difficile aujourd’hui
  • J’ai toujours eu l’envie et l’élan d’apprendre des choses nouvelles, et j’ai découvert que j’avais le talent de traduire des informations complexes de façon compréhensible pour tout le monde
• J’essaie de rester bienveillant et empathique, et de montrer à chacun que les données peuvent être intéressantes et amusantes
  • Je rejette l’attitude qui consiste à rabaisser les autres pour paraître plus intelligent, c’est pourquoi j’adore rendre des concepts complexes accessibles à tous
• J’aime montrer les insights tirés des données et les directions à suivre
  • Même si beaucoup de modèles n’aboutissent pas à des résultats concrets, j’aime construire des modèles pour le plaisir de les construire
  • Certaines des plus grandes décisions et de l’impact le plus fort dans l’entreprise sont venus de diagrammes en barres et de KPI de base
• Je compte continuer ce travail à l’avenir
  • Même si je me sens ordinaire, voire en dessous de la moyenne, je fais un travail que j’aime et je me concentre sur ce que je fais bien
  • En particulier, l’IA provoque des changements spectaculaires dans le domaine, et je suis en train de m’adapter à cette évolution
• Je voulais partager l’expérience positive d’une personne douloureusement ordinaire
  • Surtout pour les débutants et ceux qui cherchent à se reconvertir dans le domaine, je voulais montrer qu’il n’est pas nécessaire d’être la personne la plus intelligente de la pièce
  • Il faut approfondir des bases solides et avoir la volonté de faire bouger les choses ou d’apporter de la valeur à son entreprise

[GN⁺]

Avis sur Reddit

• Le fait que créer des modèles soit plaisant, et que même si beaucoup de modèles ne sont en réalité jamais utilisés, les grandes décisions d’une entreprise viennent souvent de diagrammes en barres et de KPI de base, c’est vraiment très réaliste
  • D’après mon expérience, ce diagramme en barres était souvent le rapport des caractéristiques les plus importantes d’un modèle xgboost entraîné
    Ça fait environ 7 ans que j’ai arrêté d’être data scientist, donc ça ressemble à une vieille capsule temporelle, mais je me souviens que les clients aimaient beaucoup ce livrable
  • Je suis ingénieur logiciel, mais j’aime créer et entraîner des modèles comme un hobby
  • Ça m’a fait tiquer sur ce point. Je ne m’y retrouve pas, et je préfère que ce que je construis soit forcément utilisé
    Cela dit, la capacité à traduire des sujets complexes en termes compréhensibles par des humains ne doit absolument pas être sous-estimée. Trop de gens ne maîtrisent pas cette base, donc dès qu’on y arrive correctement, on ne peut pas être en dessous de la moyenne
• Moi aussi, en tant que data scientist ordinaire, je me sens reconnaissant. J’en ai marre de ne voir parler ici que de FAANG
  • En ce moment, on a l’impression de ne voir que de l’auto-promo Only FAANGS
  • Plus que la question de savoir si on est moyen ou excellent, c’est le timing auquel on est devenu data scientist qui compte davantage
  • En plus, une bonne partie des data scientists chez FAANG travaillent sur des modèles « AI », et ce genre de boulot me rendrait dingue. Le monde n’a pas besoin d’une nouvelle version de ChatGPT
• C’est plus proche d’un parcours de carrière réaliste pour un data scientist. Dans 99 % des cas, l’impact business et la communication comptent plus que des modèles tape-à-l’œil
  • Je travaille dans une équipe data science et analytique en conseil, et nous avons facturé des centaines de milliers de dollars rien qu’en écrivant des requêtes SQL et en livrant les résultats aux clients
    Bien sûr, cela ne veut pas dire que les montants facturés correspondent à mon salaire
  • Les gens qui ne viennent pas de la data essaient parfois d’appliquer l’exact opposé du rasoir d’Occam. Plus de « maths » n’apporte pas toujours plus d’insights, et parfois ça n’ajoute que des hypothèses
• Honnêtement, ça ressemble à un bon data scientist. J’ai vu assez de gens avec des qualifications et des noms prestigieux sur le CV, qui parlent très bien mais, en pratique, ne produisent presque rien, pour ne plus accorder beaucoup d’importance à ces choses-là
• Ce n’est peut-être pas un data scientist moyen, mais plutôt un data scientist médian
• C’est un point de vue rafraîchissant
• Je suis moi aussi un data scientist assez ordinaire, et lire les posts ici me rendait parfois anxieux
• Je suis assez proche de ça moi aussi. L’entreprise est grande, mais l’accent est mis sur le fait d’aider la prise de décision de l’équipe finance, plutôt que de pousser les méthodologies les plus flamboyantes, complexes et à la mode
  Quand on regarde les contenus d’entretien en data science, on a l’impression qu’il faut être une encyclopédie vivante des statistiques, de l’informatique et de l’intelligence artificielle, mais en réalité, les personnes qui réussissent le mieux sont souvent celles qui ont un impact positif sur le travail des autres et avec qui il est agréable de travailler en équipe
• Je dis toujours cela aux personnes qui n’arrivent pas à trouver un poste de data scientist. Je viens de la supply chain, et j’avais l’impression qu’il y avait beaucoup trop de travail manuel, donc j’ai appris la programmation en autodidacte
  Ensuite, j’ai fait un master en data science tout en évoluant vers un rôle de gestion de projet dans la supply chain, où j’ai commencé à faire de l’automatisation, des dashboards, de la construction de pipelines de données, de la modélisation prédictive et des analyses ad hoc. Après avoir terminé mon diplôme, mon entreprise m’a effectivement promu avec le titre et le salaire de data scientist
  Je ne fais pas un travail ultra avancé comme certains data scientists, mais en résolvant des problèmes d’entreprise avec des compétences en data science et en technologie, on peut trouver une trajectoire de carrière moins courante mais satisfaisante
  • Je suis curieux de savoir combien tu gagnes maintenant. Est-ce suffisant pour continuer, ou as-tu le sentiment de devoir en faire plus pour obtenir une meilleure rémunération ?
• J’aime vraiment ce genre de discussion. Les anciens praticiens du milieu aussi devraient se lever